作者声明：该图片由AI生成
1945年，冯·诺依曼在《EDVAC报告书的第一稿》中写下存储程序计算机的基本轮廓：指令和数据被放进存储系统，由处理器依次读取和运算。
此后的七十多年，计算产业几次改朝换代，始终沿着这张蓝图演进。
1971年，微处理器把可编程CPU装进一枚芯片；2006年，CUDA让GPU从图形处理器变成通用并行计算工具；2012年，AlexNet借助GPU取得突破，深度学习由此走出实验室。机器越来越快，计算方式从串行走向并行，但处理器与存储相互分离的基本关系并没有改变。
真正的转折发生在2017年。
这一年，谷歌的八位研究人员发表《Attention Is All You Need》，一个历史性的架构Transformer由此诞生。五年后，ChatGPT将这套架构推到全球产业面前。模型不再只是针对图像识别、语音识别或机器翻译完成某一项任务，而是开始通过海量数据、参数和计算投入，表现出跨越不同场景的通用能力。
一种新的计算范式逐渐显形。
算苗科技也由此将自己的方向限定得十分明确：不做覆盖所有场景的通用GPU，而是专注面向云端大模型的AI推理芯片。
如果说训练是让模型形成能力，推理就是模型上线之后，响应每一次用户请求并持续生成Token。在算苗看来，随着大模型调用规模增长，推理将成为一种长期、持续且可以直接计量的算力消耗。此时真正限制效率的，已不只是计算单元够不够快，还包括海量模型参数能否被快速送到计算单元——大模型的竞争，正在越来越多地表现为内存带宽与数据搬运效率的竞争。
此时正处于2023年元旦，身处硅谷的汪福全，开始重新审视一件自己曾经明确反对的事——做AI芯片。
在此之前，GPU依靠庞大的软件生态占据主导地位，单个AI模型所产生的算力需求，还不足以支撑一家创业公司为它设计专用芯片。但大模型改变了这一切：单一计算框架开始吞吐海量数据，内存容量、带宽和数据搬运成本一起成为新的瓶颈。
对于做过高通量算力芯片的人来说，更能感受到算力会像电力一样，有单位、有成本，也有可以被直接衡量的价值。
汪福全早年在中科院声学所研究高通量阵列信号处理，后进入中科院计算所从事计算机体系结构博士后研究，并参与龙芯的研究与产业化。2009年创办中科声龙后，他又用近十年时间探索国产处理器落地，由此深知：芯片只有架构远远不够，软件生态、成本和商业闭环同样决定成败。
2018年，他带着的研发团队转向高通量算力，挑战受制于内存带宽的以太坊算法，在多次推翻原有方案后走向3D堆叠。因而，当大模型再次遭遇“内存墙”时，他看到的不是一个陌生的新问题，而是一个被Token需求放大到前所未有规模的旧问题。龙芯让他理解通用计算的生态之重，高通量算力芯片让他理解专用计算的效率之争，两者最终汇入算苗的3D TokenPU。
2026年6月15日，算苗科技在北京举行3D TokenPU媒体沟通会，宣布面向大模型推理的3D TokenPU芯片A4E已流片，并向外界系统阐释3D堆叠AI芯片的技术路线与产业方向。
算苗科技创始人汪福全
从流片走向量产，算苗也迎来了新的资金支持。10月14日，公司宣布近日完成Pre-A2轮、A轮融资，一年内累计融资近20亿元。本次融资由亦庄国投等北京市区两级国资平台领投，募集资金将用于扩充研发人才、加码核心技术迭代，加速3D TokenPU量产落地。
此次融资还将推动算苗与亦庄区内制造、封装及大模型应用端伙伴协同，加快供应链和产能资源对接，为3D TokenPU走向规模化量产提供支撑。
算苗提出“TokenPU”，是希望改变AI芯片的评价起点。相较于从通用并行计算出发的GPU，TokenPU直接从大模型推理最终交付的Token出发，关注一枚芯片能否以更低成本、更低能耗，持续产生更多Token。换言之，它试图将芯片能力与云端推理的真实业务产出直接绑定。
其中的“3D”，也不是简单地把几枚芯片封装起来。传统芯片中，计算单元与存储单元主要在平面上分开布局，数据需要在两者之间反复长距离搬运；3D堆叠则把存储晶圆与逻辑晶圆垂直叠放，再通过混合键合形成高密度的垂直互联。通俗来说，就是以更短的距离换取更高带宽和更低能耗。更重要的是，芯片设计公司需要为立体堆叠的芯片重新设计一套架构，才能真正把垂直互联带来的高带宽转化为算力。
按照算苗科技官方介绍，其希望通过基于混合键合的3D堆叠方案，缩短计算与存储之间的数据传输路径，突破大模型推理中的“内存墙”。
什么才是真正的算力芯片？算力究竟意味着什么？在汪福全看来，算力不是参数表上的峰值数字，而是一种像电力一样可计量、可定价，并能直接转化为客户产出的生产能力。到了大模型时代，这种产出就是Token，衡量芯片价值的尺度，也随之落到每个Token的生成效率、能耗与成本上。当内存带宽和数据搬运开始决定Token成本，“内存墙”便不再只是一个技术问题，也成为影响算力商业价值的关键约束。
也正因此，更值得追问的是：一家曾经做高通量算力芯片的团队，为什么敢于在GPU之外重新定义AI芯片？3D堆叠究竟是一项工艺创新，还是一次计算架构的重新洗牌？当模型、客户和芯片都在加速迭代，中国公司又能否找到一条不依赖追随的道路？
今年6月底，在算苗科技北京办公室，芯流创始人杨健楷，围绕这些问题与算苗科技创始人汪福全进行了一次深入对话。他的表达锐利（sharp）、直给（direct），常有反共识的判断，却始终有一套自洽的技术与商业逻辑。
01
时代变了：从反对AI芯片到押注大模型
【编者按】一次真正的技术押注，往往始于对“时代是否已经改变”的判断。在ChatGPT出现之前，汪福全反对进入AI芯片领域，但当Transformer让单一算法产生前所未有的算力与内存需求时，他意识到，延续近80年的计算范式正在出现裂缝。算苗的起点，是面对现实，重新判断什么才值得被做成一枚专用芯片。
芯流：你的经历很丰富，也有着国产处理器龙芯、高通量专用芯片等从业背景，你觉得哪一段经历最直接地影响了我们之前发布的3D TokenPU的判断？而且你之前和胡伟武老师一起创过业，龙芯一开始采用的是一个比较小众的架构，其实对于生态、软件、商业模式提出了很多层次的挑战，和今天3D TokenPU遇到的问题是类似的。
汪福全：其实我的每段经历对公司现在的状态都有影响，它是一个传承的关系。但如果说最直接的影响，我觉得还是做高通量算力芯片。这个芯片的成功，给我们建立起了一个比较深度的认知。在做3D TokenPU之前，已经完成过十几亿人民币的销售收入了。
ChatGPT横空出世时，我刚好在硅谷，切身感受到了所谓AI 2.0、大模型时代的浪潮到来，这时AI已经能够突破图灵测试，可以像人一样去对话了，具备理解力了，在此之前AI是工具化的。这个浪潮给了我非常大的触动，恰好这一类的大模型算法有非常大的内存需求，不光是存储容量，还有一个中间的KV Cache，此前没有哪一个应用，对于内存提出这么高的需求。
其实在做这个芯片之前，我在团队内部明确反对做AI芯片。尽管那个时候我们的高通量芯片（基于3D架构）也做得不错。大家那时经常说，汪博士，来做AI芯片吧，这是个潮流。但我一直反对，原因是2022年ChatGPT问世之前，还是一个GPU垄断的时代。为什么呢？是因为它有丰富的软件生态，可以容纳各种各样的模型在上面跑测试、调优，那时看似AI很火热，但算力需求其实并不是很大，跑一个 AlphaGo 也就不过几百块的GPU。
我们做高通量算力芯片的算力是非常庞大的，我认为这才叫算力芯片，和当时的行业理解的不太一样。真正的算力芯片应该是运算规模非常大的，这才值得我们去开发专用的优化的芯片，来降低功耗和成本，但ChatGPT之前，犯不着我们为某一个模型开发一个特定的芯片，也没有哪个模型具备这样的领导力。
但ChatGPT问世之后，我触动很大。当时是2023年元旦，我正好在硅谷，感受到了一个新的时代正在到来。以Transformer为代表的生成式人工智能，或者叫AI 2.0的时代来临了。
这个时代的显著特征是：单一的算法就具备极大的算力需求量，而且你能感受到那种趋势。那时很多人还在怀疑这个产品是不是昙花一现，但我们当时判断，这个范式的到来极其不容易，不仅仅是机会主义的产物。
就像以前芯片半导体产业从模拟时代进入数字时代，后来尽管也有模拟的创业团队，但不会再成为主流了。同样的，OpenAI开创的这个范式极其难得，具有偶然性。对人工智能长期观察的专家都明白，要创造一个能理解人的语言、可对话的系统，在当时没有范式可依赖，靠专家系统、知识工程、知识图谱解决不了这些问题，计算机解决的是有限域的问题，但语言是开放式的。我们认为做到这件事很不容易，ChatGPT让我们意识到了，人类的思维的奥秘是可以靠这种范式解决的，它把人类的广度和深度综合成了这种范式：大量的输入、大量的训练，然后涌现出智能。
当时，Transformer是Google的八个工程师写出来的文章，Google并没有把它发扬光大，但OpenAI认准了这条路，大力出奇迹，当数据量训练到一定的时候，就涌现出了智能。
当然，这个范式的出现也有一定的必然性：当互联网的数据积累到一定程度，GPU的算力也在逐渐成长，两者堆积到了临界点，总有人会点燃这一把火，就像微积分好像是人类的一种开智。时代到了那个节点，就算不是牛顿，也会有别人发明这种范式。
从冯诺依曼开始，过去的范式走了接近80年，终于迎来一个新的时代。
芯流：所以你觉得 Transformer 这个架构会再持续很长时间。
汪福全：它的确启动了一个新的时代。这种范式最有代表性的是自动驾驶，理想状况下没有一个代码，完全就是端到端，通过视频、刹车油门的输入，然后通过模型来驱动，本质上就是算力和数据的驱动。我认为它是一个有长远生命力的东西。
因此，这是必须要做的事，我也相当于打了自己的“脸”。当时英特尔美国分公司提供了很好的支撑。同时期，任职微软亚洲研究院的楼建光博士也在和我一起研究，他是我的师弟，现在也加盟算苗了，是首席AI科学家。他长期从事机器学习、自然语言处理、软件系统AI及大规模在线系统智能运维研究。我们俩每天都要聊这些问题。
芯流：从美国见闻，到最后启动，中间经历了怎样的阶段，比如怎么发现3D是最合适的架构？
汪福全：这个其实不难，2022年时，我们几个就研究过Transformer这个算法。
芯流：也就是说之前做高通量芯片时，你就发现这个算法和它比较匹配。
汪福全：对，因为大模型对内存提出的挑战是现实的。在此之前，没有哪个应用像大模型一样，对于计算里的存储需求提出如此高的挑战。
芯流：高通量专用芯片那时就开始用RISC-V架构设计了吗？
汪福全：没有，这个芯片里面不跑指令集，不是用指令去模拟这个算法的，没有什么处理器技术在其中。但是大模型芯片会涉及到处理器，Transformer是一个计算框架，没法固定算法。高通量芯片时代，工作是纯ASIC，到了大模型时代，就涉及到处理器的工作，大模型芯片深刻地受到了我们此前做高通量算力芯片的影响，那种把芯片做极致（ASIC化）的经验传承下来了。
芯流：从你看到ChatGPT和Transformer，到算苗公司真正启动，中间做了哪些事情？
汪福全：算苗底层的技术2023年就开始了。我们聚焦3D架构创新，首创3D TokenPU云端大算力芯片，这个项目值得把所有精力放在上面。
02
算力即产出：3D背后的工程方法论
【编者按】算苗与其他AI芯片公司的差异，并不只是一项3D堆叠技术。更深层的差异，来自团队对算力的理解：它必须能够被计量、定价，并与客户最终获得的价值直接挂钩。从十几人的创业团队到晶圆级3D芯片商业化，过往经历留下的真正经验，是围绕一个具体问题进行极致优化的工程方法。
芯流：从2010年代到2020年代初，其实有不少公司做AI芯片，很多模仿NV做gpgpu的公司也已经上市了，包括有些端侧AI芯片公司会自研NPU模块，我们和他们最大的区别是什么？
汪福全：他们其实是上一个时代的。我们是大模型时代的原生AI芯片公司，是伴随着全新的架构而生的。
我们的最大不同是把芯片当做算力芯片来做，看重算力时代的来临，有些公司可能还是当做GPU来做。算力芯片这个词来源于比特币的挖矿，算力就像电力，可以按照单位收钱。产生多少哈希率（即设备每秒能够完成的哈希运算次数，是衡量矿机算力的核心指标；可理解为矿机每秒“猜答案”的次数，次数越多，成功获得挖矿收益的机会就越大），就有多少挖矿收益，这是亲身经历过挖矿时代的人的理解。
芯流：你理解的算力，其实和终端最终产生的商品的联系是十分紧密的。TokenPU本身定义也可以看成一个对照货币的评价。
汪福全：对，就像电力每度多少钱一样，都要有标称单位，直接和价值、成本挂钩，这是我认为算力芯片非常重要的特征，也是区别于此前CPU、GPU等的重要不同。
芯流：你觉得我们从之前沉淀下来的最重要的经验是什么？
汪福全：我认为我们团队核心成员在面对一个特定问题时，不会设定边界，遇见一个问题时，需要找到解决这个问题的最高效的路径。做高通量芯片前，我们几个也没有做过芯片，但第一代就做的是3D芯片。
当然，高通量芯片是纯ASIC（专用芯片），对于人才数量的要求不太多，第一代芯片我们团队人数很少，它是一个极为特定的问题，解决了即可。
芯流：当时是如何分工的？
汪福全：研发团队加上我一共5个半人，其他的是会计、出纳等职能。
芯流：当时国内有用3D堆叠解决以太网高通量计算的其他团队吗？
汪福全：国内确实有一家公司，他们2018年就开始研究了，但他们当时上市没成功，高管之间的意见不同，耽误了项目进度，后来没人管了。所以这也是命运使然，如果当时他们做成了，就没有我们的机会了。同时期跟我们做一样事情的团队应该还有2-3个。
芯流：最后只有你们成功了吗？
汪福全：有一些团队赚了一笔就结束了，没有再研究下去，只有我们这种“傻子”一直研究下去了。也不知道未来会怎么样，反正就做。最终，在某类高通量专用芯片这条高度垂直的赛道上，依靠3D堆叠走到了全球第一。
芯流：你觉得3D领域突破的难点有哪些？你们相对于其他做3D的团队而言优势在哪？
汪福全：如果和国内这种传统做高通量算力芯片的团队相比，我们在3D上是最强的，传统的做高通量算力的，到目前为止还没有一个转型成功，他们缺的是内存、架构的功夫，这些经验高通量算力是不需要的。
传统做CPU、GPU的公司，又缺少算力的经验，没法把大模型芯片当做算力芯片来理解，思维还在传统处理器时代。大模型时代的芯片需要更全面的能力，是一个非常庞大的工程。
芯流：相比于目前的新公司，算苗的优势是什么？
汪福全：这么多年我们也掌握了很多know-how，这些都需要时间积累。我们更早接触到了解决这个问题的能力。
当然，就竞争力而言，团队基因也很重要。
就像英伟达和AMD的基因也不同。英伟达的基因并不是GPU，而是它的CUDA软件生态，这是它真正的能力，GPU只是载体。
中国团队做事为什么容易内卷，实际上是因为大家的基因差不多，但要想做出差异就要比别人多思考几个维度。
芯流：那如果用同样一个产品做不同的市场，是不是本身就是在降维打击？
汪福全：不是，这个时代最大的机会就是云端算法，因为能量是有限的，怎么让有限能量产生更多token，只有高效的、集中的、集约化的方式。
03
被客户重写：芯片定义跑在模型前面
【编者按】芯片的研发周期以年计算，大模型的演进却以月计算。算苗面对的挑战，不只是设计一枚性能更高的芯片，还有要在客户需求尚未完全稳定时，提前判断未来两三年的模型方向。芯片定义正在从封闭的内部决策，变成与头部客户共同完成的动态过程。
芯流：我们与国内大模型公司一起合作研发，你觉得这些公司在做产品定义时给到了哪些启发？
汪福全：第一，他们对于数据的精度要求比较高。最开始是16位精度，后来到了8位，现在的主流是FP4，这个经验是要和业界磨合出来的。
当时和头部大模型厂商磨合时，我们带了接近30个具体问题和芯片的优化方向，一个个与他们的硬件导入部门磨合完，才形成了当时对芯片的定义。
芯流：你觉得他们真正懂未来的两三年需要什么芯片吗？我们怎么判断大模型公司提的需求是不是真需求？
汪福全：不管怎样，这是客户的真实需求。几年之后这个需求会怎样不太重要，我们可以在设计中加入一些自身理解的东西。比如MoE（混合专家模型）现在就是不言自明的、必须要支持的，你一定要去尊重，但我们无法预判未来，所以要重点关注用户提供的真实的场景和优化方向。
定义芯片一定要有前端客户需求，也要对于未来大模型的优化方向有一个总体的考虑。我们团队里面最厉害的人在做这个，芯片的定义非常重要，要对未来大模型优化的方向有总体的考虑。芯片今年有定义，量产可能是第二年或第三年，彼时如果一些需要优化的地方没有定义，就会有很多损失，楼建光博士加入算苗后，就在具体负责这个问题。
芯流：OpenAI的芯片9个月就流片了，这是不是也说明，为了应对大模型公司的需求，我们流片的时间和组织效率相比于之前要更加提高？
汪福全：这是必须的，整体节奏都在变快。
芯流：但更快的需求背后，我们流片的成本基准线在哪？怎么平衡成本问题？
汪福全：我们一代芯片的研发成本大概是3-4亿元，需要靠足够优秀的销售收入来平衡，一代芯片的寿命也不过一两年时间。
芯流：市场和客户方面，有没有遇到之前和做高通量算力不一样的挑战？
汪福全：高通量算力市场很简单粗暴，经销商会慕名而来，市场非常精准，客户都希望有限的投入能买到更好的机器，所以必须做到最好。
大模型时代，芯片最终是服务器的形态，场景比较确定，客户比较精准，与高通量算力有点像。不同的是这个领域市场规模更大，现金流、生产周期、售后维护的挑战会更大，商务涉及的环节更多。
芯流：是不是要经历更多环节，不能像之前那样直接面对用户？
汪福全：也要直接面对用户，但用户本身变复杂了。头部大模型的导入是一连串的环节，我们的团队也变得更大了。当然，根本的逻辑还是算力。
芯流：你们会判断大模型客户未来的定位吗？比如哪些企业未来还会是第一，是我们的α客户？
汪福全：中国的态势非常简单，国内头部大模型公司一家可能就消耗了80%的算力，形成了马太效应。
芯流：Token 的消耗其实已经遵循二八定律了。
汪福全：对，这跟很多行业都是一样的，人工智能就是一个未来会走向高度集中的行业。
芯流：寡头效应非常明显。
汪福全：对，模型也是，算力也是。
芯流：你觉得后面三五年市场结构会有变化吗？
汪福全：我认为不会，只会越来越集中，我对此比较悲观。
芯片行业也是一样，我们如果真能走出来，就一骑绝尘，与大模型行业、互联网行业一样，都有一个非常明显的特征，赢者通吃（winner take all）。
芯流：在大模型客户的驱动下，我们两代芯片的设计时间差是不是很小？
汪福全：现在是8个月。
芯流：第二代相比于第一代，最大的改变是什么？
汪福全：性能更高，但成本增加有限，能够相对把每个token的成本进一步降下来，架构上会进一步优化。
比如架构上，第一代我们的逻辑晶圆堆叠一层，第二代变为了两层，计算密度会进一步增大，Memory和第一代比变化不大。
04
窗口正在打开：中国算力的另一条路径
【编者按】当海外公司沿着摩尔定律、通用架构和标准化生态继续演进，算苗选择的是另一种方法：不等待所有技术条件成熟，而是在当下的工艺与供应链条件中，把一个确定的问题做到极致。这条路径能否成立，最终仍要由量产、客户和Token成本证明。但它提出了一个值得产业思考的问题：中国AI芯片是否必须沿着既有路线追赶，还是可以围绕大模型推理重新定义竞争坐标？
芯流：如果国外的算力芯片公司看到了我们这个路径的可行性，他们的供应链资源会更加丰富，如果后面国外copy我们，会带来哪些竞争压力？
汪福全：我认为西方人最不擅长的就是copy，他们有自己的一套演进规则和路径依赖，我们也是在一种特定的时代背景下走出来的，但西方还比较迷信摩尔定律。
即使做3D堆叠，他们还会按照他们的方式来，喜欢标准化、最后大家拼到一起，向依靠软件弥合差距，这是他们解决问题的思路惯性。这也能解释为什么在西方找不到一家像样的区块链芯片公司，区块链和算力芯片，就只能中国人干的才顺手。这是中国人的机会。
处理器时代，加安卓、加iOS，这一类范式西方很擅长，但针对于某一个特定的问题找到一种极致的解决方案，他们不感兴趣也好像没有这个能力，很多硅谷的3D架构类型的芯片公司都很平庸。
他们善于抽象思维，把问题进行抽象，解决通用的问题，比如英特尔，在同一个架构下，通过操作系统弥合各种不同的人的接口。CUDA 时代，英伟达就相当于并行操作系统，AI训练、自动驾驶、游戏、视频都是在这个框架下，这方面中国公司反而不擅长。
面对一个特定的问题，我们把这件事做到极致，是中国人独有的范式。算力芯片就能体现出中国人的具象化思维的优势，这是大模型给我们带来的极其难得的机会。
如果没有大模型，还是过去的卷积神经网络时代，不值得我们用具象化思维做的那么精细，因为市场很小，只有类似于大模型这样的场景，才能把我们的具象化思维发挥得淋漓尽致。
芯流：西方有类似的3D云端的AI芯片公司吗？
汪福全：也有，但是他们的路径很长，他们希望把所有东西都涵盖在3D框架里面，之前有人说，现在的3D是伪3D，也没问题，因为真 3D 时代是Monolithic 3D 时代（单片式三维集成，即在同一晶圆上逐层制造多层晶体管，并通过超高密度垂直互连形成完整系统），那是五年、十年后行业才能演进的方向，但通过 Hybrid Bonding（混合键合）怎么不是3D呢？这是当下实现的最好的路径。
真正的 Monolithic 3D还需要材料的优化、工艺制程的优化，技术成熟周期漫长，我们当下更需要依托现有可落地的路径，满足激增的 AI 算力刚需。
芯流：这意味着我们不做标准，如果后面有人抢先订了标准，会有什么影响？
汪福全：第一，追求标准后，创新就丧失了。第二，标准一定会损失能效比。PC时代也许需要一个统一标准把整个产业链统一一下，但现在还不需要标准，只是和大模型客户之间的磨合。
芯流：你觉得Chiplet后面能不能适应云端的AI计算需求？
汪福全：我们后面的芯片定义中，可能会用到一些Chiplet的技术，比如我把两个芯片封装在一起，但这不是Chiplet的本意，它的本意是把一大块的东西分成小块，每个小块单独看，成本更低了，更精细化，面对GPU、CPU、 SOC 这样的通用系统的时候，通过这种方式来优化它的成本价格。
我们的架构本身高度统一，暂时不需要。
芯流：你觉得我们这个领域多久会出现一个赛点？
汪福全：我认为我们这个行业特征决定了不太容易陷入内卷，内卷的行业很难分出好坏。算力行业从区块链时代开始，到大模型，标准非常好衡量，（优质的能力）自然会带来更多订单，因此有更多钱研发，就能够发展地更好，会形成马太效应。区块链从2012年到现在已经14年了，也没有什么内卷的情况。
另外，我们公司的能力储备、资本金储备都比较多，我们也在成长。
芯流：目前我们团队在芯片研发领域使用AI提效明显吗？
汪福全：目前还没有特别的转型进展，但我们正在调研中。
芯流：后面你觉得这对芯片行业的人力招聘会有哪些影响，我听说有一些芯片公司已经不怎么招新人了，因为他们发现，不如给一些有经验的员工更多的代码额度。
汪福全：对，现在这个（趋势）对初阶工程师挑战很大。
芯流：如果说之后初阶工程师甚至都没有机会去设计芯片了，老的工程师年龄会增大，你觉得后面这个问题可能会怎么解决？
汪福全：没什么担心的，首先，后面AI发展成熟了，可能老工程师都不一定被需要了。一家公司只要有定位、目标导向、市场导向，老板就可以把意图告诉AI，AI就可以完成这些事，而且意图是否达到是可验证的。
现在的问题是，对于年轻人而言，到底应该怎么办？我认为年轻人不应该总想着自己会编码，因为这已经能够被机器替代了，而是应该真正理解这个行业，有切身的行业体验。哪一天你真正进入这个行业时，能够说出来真正想要什么、提出自己的意图，因为不懂的人是提不出意图的。越厉害的人提出意图越精准、越代表前瞻。到底想要什么要说的明白。
有些人一辈子都不知道自己想要什么，这其实是智能受限的表现，AI时代把这个问题凸显出来了，为什么比别人差？因为就是因为不知道想要什么，没有背景知识来支撑intention。
芯流：这其实回到一句话，Attention is all you need。
汪福全：道理是一样的。其实是先有intention（意图），再有attention（注意力）。
芯流：公司的商业化计划是怎样的？
汪福全：上市大概3年左右的时间，这个不算快，到时会是一个重要的窗口期，我们的产业成绩也会在彼时有一定彰显。我们要真正成为一家让国人引以为傲的芯片公司，需要有国际影响力。只要我们不犯不可逆的错误。
芯流：你觉得什么是不可逆的错误？
汪福全：我觉得是不要改变初心，不要为了面子放弃自己坚持的东西。团队应该be real。
05
尾声
采访的最后，汪福全将创业公司最需要避免的“不可逆错误”，归结为改变初心、放弃坚持，以及不再面对真实。
在芯片行业，采访对象通常习惯给判断留出余地。汪福全却很少使用含混的中间地带。他的表达有一种剔骨尖刀般的锋利，也有万军之中直取首级般的直给：先剥掉概念、标准和身份带来的安全感，再把问题压缩到最现实的口径——性能、功耗、成本、时间和客户是否愿意付钱。
Be real。
这是理解汪福全创业方法论的关键词。它拒绝固守昨天的判断，随时准备推翻已经投入的方案，可以改变的是技术路线和已有判断，不能改变的是面对真实问题、寻找最优解的初心。
这套方法放在更大的结构性硬科技创业浪潮中，可以概括为“单点爆破”：不试图同时解决所有问题，而是找到一个足够真实、足够庞大，又能被明确衡量的结构性矛盾，集中资源将其打穿。
对于算苗，这个矛盾是大模型不断增长的参数规模与有限内存带宽之间的冲突。于是，它把场景集中在云端推理，把算力产出压缩为Token，把芯片价值落到每个Token的成本与能耗，再用3D堆叠缩短计算与存储的距离。从问题、指标到技术路径，始终围绕同一个单点展开。
这种方法也正在重新塑造AI芯片创业公司的组织。
早期，汪福全的高通量算力芯片研发团队加上他只有“5个半人”；如今，一代AI芯片需要投入3亿—4亿元，生命周期只有一两年，两代产品之间甚至只相隔8个月。与此同时，团队已经大量使用AI工具，他本人也重在关键节点提供判断。未来，AI不仅可能替代初阶工程师，连资深工程师的部分工作也会被重新定义。
这些事实都意味着AI对于组织价值的重新分配。定义问题、判断架构、理解客户和完成复杂工程取舍的能力变得更加重要。未来的AI芯片创业公司，可能转向由少数核心判断者、AI增强的工程团队，以及深度协同的客户与供应链组成的高密度组织。
大模型推理也正在将芯片竞争从单一制程和峰值算力，推向一场更复杂的系统效率竞赛：内存带宽是否足够，每个Token消耗多少能源，软硬件能否跟上模型变化，产品又能否在有限生命周期内收回数亿元的研发投入。
在这个意义上，3D堆叠并不只是先进封装技术的升级，而是对计算、存储与互联关系的重新组织。
从龙芯到高通量算力，从二维芯片到3D堆叠，从哈希率到Token，汪福全追逐的对象已经改变数次，但底层方法没有改变——找到一个真问题，不为既有边界所困，用单点爆破的方式把它做到极致，再让市场直接计量它的价值。
当然，一条技术路线的产业价值，还要穿过量产良率、供应链、软件适配、客户导入、现金流和持续迭代组成的漫长隧道。只有当技术优势真正转化为更低的Token成本、更稳定的交付和更大的商业规模，一枚芯片才能从实验室创新变成产业基础设施。
而中国芯片产业真正值得期待的或许正是这种选择：在新的计算范式形成之初，Be real，找到一个属于自己的真问题，然后把它打穿。
